WEBVTT

00:00.360 --> 00:06.030
Merhaba ve AI uygulamasını oluşturan bu AI uygulama bölümünün ilk bölümüne hoş geldiniz.

00:06.120 --> 00:12.570
Ve gördüğünüz gibi, bu girinti yapısında, bu AI'yi nasıl inşa edeceğimi açıkça gösteren Bölüm

00:12.660 --> 00:16.620
1'i oluşturan bu üç bölümle zaten boyut ekledim.

00:16.620 --> 00:18.750
Önce beyini yapacağız.

00:18.840 --> 00:23.760
Sinir ağı dışında başka bir şey yok, o zaman eylemlerin nasıl oynandığını

00:23.760 --> 00:25.400
tanımlayacak olan cesedi hazırlayacağız.

00:25.590 --> 00:31.620
Sonra bir kere beynimize ve bedenimize sahip olduktan sonra, bu birinci bölümün son bölümünde yer alan

00:31.620 --> 00:33.840
AI'yi yapmak için onları biraraya getireceğiz.

00:33.840 --> 00:37.890
Artık bu uygulamanın yapısına ilişkin iyi bir vizyona sahip olabilirsiniz.

00:37.890 --> 00:42.760
Öncelikle beyni hazırlarız, o zaman cesedi yaparız ve AI'yı yapmak için ikisini bir araya getiririz.

00:43.050 --> 00:48.520
Ve bundan sonra, beyni yapmakla ilgili olan ilk bölümle başlayacağımız tek şey bu.

00:48.810 --> 00:51.330
Ve bu, öğreticiler için bizi alacaktır.

00:51.360 --> 00:54.810
Bir beyin yapmak pasta yapmak gibi bir şey değildir düşünebilirsiniz.

00:54.900 --> 00:57.100
Bu yüzden birden fazla ders gerektirecektir.

00:57.270 --> 01:03.690
her zamanki gibi, bir beynin bir sınıfla temsil edileceğiz, çünkü çeşitli işlevlere ihtiyacımız

01:03.690 --> 01:10.200
olacak ve birtakım talimatlarla organize edilecek çeşitli işlevlerin bir yapısına sahip olmak için.

01:10.200 --> 01:11.160
Ve elbette

01:11.310 --> 01:16.010
Elbette bir sınıfa ihtiyacımız var, o da Berkeley, çünkü o sınıfa bir kez girdik.

01:16.080 --> 01:22.080
Bu sınıftan bazı nesneler yaratarak istediğimiz kadar çok beyin yaratabiliriz.

01:22.080 --> 01:28.050
Python'daki sınıflar ve genel olarak nesneye yönelik programlama dilleri çok pratiktir

01:28.200 --> 01:33.510
çünkü yapacağınız bir model oluşturursunuz ve daha sonra istediğiniz kadar

01:33.510 --> 01:37.820
nesne oluşturabilirsiniz ve tüm özelliklere sahip olacaksınız. sınıfta tanımlamak

01:38.010 --> 01:40.470
Ve beynimiz için özellikler elbette olacak.

01:40.500 --> 01:45.930
elbette bunu yapacak Ford işlevini verecek iki farklı fonksiyon olacak.

01:45.930 --> 01:51.780
Öncelikle hatırlattığım sinir ağının mimarisi, CNN olacak ve tabii ki

01:51.780 --> 01:55.520
giriş sinirlerinden çıktı nöronlarına sinyaller göndererek

01:55.920 --> 01:58.940
Bu yüzden beyin yapmaya başlayalım bunu yapalım.

01:58.950 --> 02:00.600
Bu oldukça heyecan verici olacak.

02:00.650 --> 02:02.380
En sevdiğim parçalardan biridir.

02:02.520 --> 02:04.860
Ve bu yüzden onunla doğrudan iletişime geçelim.

02:04.890 --> 02:10.880
Bu yüzden ders sınıfını tanıtarak başlayacağız ve bu sınıfı aramaya gidiyoruz.

02:10.950 --> 02:18.570
daha doğrudan olmaya başlayalım ve CNN diyelim, çünkü aslında beyin bir CNN ağıdır.

02:18.570 --> 02:20.570
Beyni çağırmaktan çekiniyordum ama

02:20.580 --> 02:22.510
Dönüşümlü sinir ağı.

02:22.530 --> 02:27.440
İzlediğiniz gibi, isterseniz beyin diyebilirsiniz, ancak en azından şimdi ne yaptığımızı biliyoruz.

02:28.710 --> 02:35.040
Ve CNN Kendi kendine sürüş şebekesi gelince, Mudgal'ın sonundan miras alacak.

02:35.220 --> 02:42.870
Bu nedenle, modülün sonunu burada yazdıklarımızın ve bu modüllerin ve bir modülün tüm araçlarını

02:42.870 --> 02:49.050
kullanabilmeyi isteyeceğimizi ve bu tekniği, miras olan ve bize bildirebilmenizi sağlayan

02:49.050 --> 02:55.870
nesne tabanlı programlamada kullanmayı isteyeceğimizi unutmayın. iyi bir ana sınıfın tüm araçları

02:55.900 --> 02:59.970
kullanın ve bu çok sınıf bu modülde olacak.

02:59.970 --> 03:00.830
Oraya gidiyoruz.

03:00.930 --> 03:05.510
Ve şimdi bu modülün sonundaki tüm araçları ve nesneleri kullanabiliriz.

03:05.510 --> 03:12.100
Pekâlâ, şimdi mirasımıza sahip olduğumuza göre, ilk işlevi yapmak için sınıfa gidebiliriz.

03:12.150 --> 03:18.360
Muhtemelen ilk işlevi, gelecekteki beyin nesnelerinin tüm değişkenlerini tanımlayacak olan son

03:18.720 --> 03:20.330
işlevi tahmin edersiniz.

03:20.370 --> 03:23.440
Geleceği ve oluşturulacak nesneleri bilirsiniz.

03:23.700 --> 03:24.890
Pekala, bunu yapalım.

03:24.900 --> 03:29.800
Def sonra iki tekrar skorları altını çiziyor.

03:29.910 --> 03:31.910
Ve şimdi bazı değişkenler koymamız gerekiyor.

03:32.100 --> 03:37.460
Bu yüzden her şeyden önce kendi kendime gidiyordum, bu da elbette nesneye gönderme yapıyordu.

03:37.490 --> 03:42.380
Şimdi sanırım bu konuda oldukça rahatız, o zaman Dumah ortamındaki eylemlerin

03:42.380 --> 03:45.310
sayısı olacak başka bir değişken ekleyeceğiz.

03:45.500 --> 03:48.900
Bu yüzden sayı eylemleri diyeceğiz.

03:49.010 --> 03:50.380
Eylem sayısı.

03:50.570 --> 03:54.390
Ve aslında bu değişken işlevi için zorunlu değildir.

03:54.500 --> 03:59.360
Sadece, diğer çevre üzerinde inşa edeceğimiz fikri test etmek istiyorsanız.

03:59.540 --> 04:06.100
Peki bu çok pratik olacaktır, çünkü biz bu korkunç eylem sayısını iki

04:06.120 --> 04:12.290
ayrı ve doom'dan Varman sarmalayıcılardan alacağız ve bunu yaparken girdi adının çevre

04:12.510 --> 04:13.980
sıfatıyla olduğunu öğreneceksiniz.

04:14.180 --> 04:21.050
Ve bu nedenle diğer ortamlarda denemeyi öğrenmek ve diğer oyunları oynamak isterseniz yapacak

04:21.050 --> 04:26.300
bir şeyiniz olmaz; çünkü bu eylem sayısı doğrudan Dumor ortamındaki

04:26.300 --> 04:27.470
eylem sayısını alacaktır.

04:27.470 --> 04:28.650
Ile oynuyor olacaksın.

04:29.110 --> 04:32.710
Tamam, bu yüzden bu işlevin iki argümanı budur.

04:32.780 --> 04:36.500
Şimdi içeri gidebiliriz ve şimdi ne yapmamız gerektiğini hatırlayabiliriz.

04:36.530 --> 04:41.560
Yapmamız gereken ilk şey mirasın superfunction ile etkinleştirilmesidir.

04:41.570 --> 04:43.840
Bu tam da kendi kendine çalışan otomobil için olduğu gibi.

04:43.970 --> 04:50.940
Sinyal ağını tanımlayacak olan sınıfı girerek başlangıç ​​fonksiyonumuzu alırız,

04:51.470 --> 04:53.330
o da CNN'dir.

04:53.690 --> 04:56.950
O zaman nesneye atfen girmeliyiz.

04:57.190 --> 05:05.230
Ancak, burada DOT'da eklememiz gereken şeyin değil, ardından da bazı parantez ile init işlevi olduğunu unutmayın.

05:05.270 --> 05:07.880
Ve bunu yaparak mirasın aktif hale gelmesini sağlıyoruz.

05:07.950 --> 05:11.470
Ve şimdi tüm araçları ve modülü kullanabiliriz.

05:11.510 --> 05:17.070
Pekâlâ, bence şimdi sinir ağının mimarisini inşa etme zamanı geldi.

05:17.270 --> 05:23.330
Hatırlarsanız, bir CNN konvolüsyonel sinir ağı kuracağız çünkü bu sefer

05:23.330 --> 05:30.290
AI'nin gözleri olacak ve gözün gözleri bu konvolüyonel sinir ağının konvolümyonel

05:30.290 --> 05:31.220
katmanları olacak.

05:31.520 --> 05:38.240
Sonra ai ai görüntüleri konvolusyon katmanlarıyla görselleştirdikten sonra sinyallere klasik bir

05:38.330 --> 05:41.040
görsel sinir ağımıza geçeceğiz.

05:41.180 --> 05:44.510
Tam olarak bağlı tabakalarla daha önce sahip olduğumuz budur.

05:44.660 --> 05:50.730
Ve burada oynayabileceğimiz her olası eylem için küp değerlerini tahmin etmeye çalışacağız.

05:51.290 --> 05:56.930
Dolayısıyla mimariyi aklınızda tutarsınız, önce bazı konvolüsyonel katmanlara sahip olacağız ve ardından

05:56.930 --> 06:01.270
tamamen bağlı tabakalar olacak ve bu bizim AI'nın beyni olacak.

06:01.550 --> 06:07.530
Yaptığımız şeylere bir adım geri atılabilmek için ne yapacağımızı.

06:07.670 --> 06:11.840
Peki bu mimari oluşturmak istediğiniz değişkenlerle yapalım.

06:11.840 --> 06:18.890
Aslında bu mimariden bahsederken üç tane konvolüyonel katmana sahip bir CNN oluşturacağız.

06:18.920 --> 06:24.530
Ve sonra bu gizli katmanın anlamı, üç konvolüsyonlu bağlantıya ve iki tam bağlantıya

06:24.530 --> 06:26.020
ihtiyaç duyacağımız anlamına geliyor.

06:26.180 --> 06:31.340
Ve bağlantıları konuşmanın tam olarak ne olduğunu CNN sınıfının değişkenleri olacak

06:31.370 --> 06:35.030
ve dolayısıyla şu anda beş değişkeni tanımlayacağım.

06:35.150 --> 06:39.100
Konvolüsyonel bağlantılar ve iki siyasi bağlantı için üç.

06:39.350 --> 06:40.100
O halde bunu yapalım.

06:40.100 --> 06:42.570
Konvolüsyon bağlantılarıyla başlayacağız.

06:42.770 --> 06:47.250
Onlara kendi kendine öğretilen konvolusum diyeyim.

06:47.540 --> 06:53.620
Biri bunu kopyalayacak ve alçakça dayanacak.

06:54.020 --> 07:01.640
konvolüsyonun her birinde belirli bir özellik tespit eden bazı yeni görüntüler elde edecektir.

07:01.640 --> 07:08.450
Ve sonra kendi kendine inanç ve kendi kendine inanç üç bu ilk sonuca

07:08.460 --> 07:15.860
kıvrım bağlantıları vardır burada bir ilk konvolüasyon katmanı almak için girdi görüntüleri bazı konvolüsyon

07:15.860 --> 07:21.180
uygulayacağım burada ikinci katkıda ilk konvolüyonal katmanını girdikten sonra tekrar

07:21.180 --> 07:25.920
bazı konvolüsyon uygulayarak ikinci bir konvolusyon yaratacak ve bu

07:26.030 --> 07:32.840
Bu yüzden, bu yeni görüntüleri konvolüsyonel olarak alacağız, o zaman bu konvolüsyonu, bu

07:32.870 --> 07:39.740
ilk konvolusyon katmanından bu yeni görüntüleri ikinci konvolüsyon katmanının bazı yeni görüntülerine bağlamak için

07:39.740 --> 07:40.300
uygulayacağız.

07:40.430 --> 07:46.120
Ve bu yeni görüntüler yine orada ilk konvolüyonal imgelerdeki bazı özellikleri algılar.

07:46.220 --> 07:52.100
Bu sadece gelecekteki algılamayı ve daha sonra ikinci konvolusyonun ortaya çıkmasını güçlendirmek

07:52.100 --> 07:52.650
için.

07:52.790 --> 07:57.000
Üçüncü konvolüyonu her biri için elde etmek için buraya uyguladık.

07:57.050 --> 08:01.900
Giriş görüntüleri içinde daha fazla özellik tespit eden daha fazla resim.

08:02.050 --> 08:07.300
Ve biz bunu ne kadar çok yaparsak, görüntülerin farklı katmanlarına bazı kıvrımlar uygulayabiliriz.

08:07.520 --> 08:13.580
Bazı özellikleri tespit edebiliyoruz ve bu özelliklerin tespit edilmesiyle, canavarların onları

08:13.580 --> 08:18.360
öldürmek için nereye çekileceğini ve nereye gitmesi gerektiğini anlayacaktır.

08:18.500 --> 08:21.290
Duvarların engellerini de tespit edecektir.

08:21.440 --> 08:28.100
Tam anlamıyla nereye gitmesi gerektiği ve tüm bu konvolüm katmanlarının orijinal görüntülerde

08:28.130 --> 08:29.680
algıladıkları şey sayesinde.

08:30.450 --> 08:34.980
Pekala, CNN'nin konvolüsyon bölümü için.

08:35.100 --> 08:42.720
Ancak konvolüyonel katmanların ardında, uygulanan konvolüsyon serileri tarafından elde edilen tüm pikselleri düzleştirmek ve

08:42.720 --> 08:48.660
tüm piksel dizilerini düzleştirmek suretiyle klasik bir yapay sinir ağı girdisi

08:48.810 --> 08:53.260
olacak bu büyük vektörü elde etmeyi unutmayın.

08:53.490 --> 08:58.600
Tam olarak bağlı harflerimizi ve bağlantılarımızı burada alıyoruz.

08:58.710 --> 09:04.560
ikinci bir tam bağlantı ve anahtar değerler olan çıkış nöronlarından oluşan çıkış katmanı.

09:04.810 --> 09:09.330
Ve şimdi yapmamız gereken iki yeni değişken yaratmak çünkü bir sonraki

09:09.330 --> 09:16.260
oraya gelecek olan klasik yapay sinir ağında burada bir tane var ve bu yüzden bu büyük Düzleştirme

09:16.260 --> 09:21.620
vektöründen burada bir tam bağlantıya ihtiyacımız var ve burada ve orada burada olan

09:21.960 --> 09:27.090
Bu iki ilk bağlantıyı yapalım ve sonra tüm bu bağlantıları tanımlayacağız.

09:27.240 --> 09:36.200
Dolayısıyla kodda soundtrack'i kendilerinden biri olarak adlandıracağız ve daha sonra kendimiz de C'yi öğrettiler.

09:36.240 --> 09:41.010
Pekâlâ, şimdi tüm değerli eşyalarımız var ve ne yapmamız gerektiğini

09:41.250 --> 09:44.300
bilmek elbette motor modülü sınıflarıyla tanımlanıyor.

09:44.310 --> 09:49.110
ki temelde sinir ağı mimarisi oluşturacağız ve gelecek yarın da bunu yapacağız.

09:49.190 --> 09:50.340
Bu demek oluyor

09:50.490 --> 09:51.920
O zamana kadar ben